人工智能应用 课件 项目8 (1) 知识图谱.pptx

人工智能应用;项目8知识图谱;通过本章的学习，了解知识图谱的起源、发展历程及应用，理解知识图谱的基本概念与实现，掌握知识图谱的实现方式。

了解知识图谱的起源与发展历史

理解知识图谱的基本概念

掌握知识图谱的实现

了解知识图谱的应用

;8.1知识图谱概述;知识图谱的本质是语义网络（SemanticNetwork）的知识库，也可理解为多关系图（Multi-relationalGraph）。语义网络是由Quillian于上世纪60年代提出的知识表达模式，采用相互连接的节点和边来表示知识，节点表示对象、概念，边表示节点之间的关系。

;上图是一个语义网络的示例，它的中间是哺乳动物，猫是一种哺乳动物，猫有毛；熊是哺乳动物，熊也有毛；鲸是一种哺乳动物，鲸在水里面生活；鱼也在水里面生活，也是一种动物；哺乳动物也是动物的一种。

语义网络的优点是简单直白，缺点是缺乏标准，完全靠用户自定义。;知识图谱的基本概念;知识图谱由数据层（datalayer）和模式层（schemalayer）构成。

模式层是知识图谱的概念模型和逻辑基础，对数据层进行规范约束，多采用本体作为知识图谱的模式层，借助本体定义的规则和公理约束知识图谱的数据层。也可将知识图谱视为实例化了的本体，知识图谱的数据层是本体的实例。

在数据层,事实以“实体-关系-实体”或“实体-属性-属性值”的三元组存储，形成一个图状知识库.其中，实体是知识图谱的基本元素，指具体的人名、组织机构名、地名、日期、时间等。关系是两个实体之间的语义关系，是模式层所定义关系的实例。属性是对实体的说明，是实体与属性值之间的映射关系。;知识图谱的实现过程其实就是知识图谱的构建过程。知识图谱构建主要分为自顶向下(top-down)与自底向上(bottom-up)两种构建方式。

知识图谱构建是一个迭代更新的过程，根据知识获取的逻辑，每一轮迭代包含信息抽取、知识融合、知识加工三个阶段（如图8-4所示）。

;信息抽取;信息抽取主要完成三个子任务：

实体抽取与链指：也就是命名实体识别。实体识别旨在从文本中发现命名实体，最典型的包括人名、地名、机构名等三类实体。例如某个文档如果出现了iphone，那么“苹果??就有更高的概率指向知识图谱中的叫“苹果”的IT公司。

关系抽取：通常我们说的三元组(triple)抽取，主要用于抽取实体间的关系。关系抽取通常在命名实体识别之后。在识别出实体后，还需要抽取两个实体或多个实体之间的语义关系。语义关系通常用于连接两个实体，并与实体一起表达文本的主要含义。常见的关系抽取结果可以用SPO结构的三元组来表示，比如；中国的雾都是重庆=(中国,雾都,重庆）

事件抽取：事件抽取技术是从非结构化信息中抽取出用户感兴趣的事件，并以结构化呈现给用户。事件抽取旨在抽取出结构化的事件信息，包括事件触发词、事件类型、事件论元和对应的角色。

;知识融合;值得一提的是，在不同文献中，知识融合有不同的叫法，如本体对齐、本体匹配、RecordLinkage、EntityResolution、实体对齐等叫法，但它们的本质工作是一样的。;知识加工;1.本体构建

本体（ontology）是指公认的概念集合、概念框架，如“人”、“事”、“物”等。举个例子：以水果分类为例，一方面限定了术语集合（即规定大家必须采用共同承认的一套词汇，禁止私自发明新词），另一方面定义术语之间的上下位关系（如：苹果隶属于水果，香蕉隶属于水果等）。

;2.知识推理

完成了本体构建之后，一个知识图谱的雏形便已建好。但此时的知识图谱之间大多数关系都是残缺的，缺失值非常严重，仍旧需要使用知识推理技术去完成进一步的知识发现。

知识推理的方法可以分为3类：基于逻辑的推理、基于图的推理和基于深度学习的推理。;3.质量评估

知识图谱质量评估通常在知识抽取或融合阶段进行，可以对知识的可信度进行量化，通过舍弃置信度较低的知识，可以保障知识库的质量。;8.3知识图谱的应用;1.智能检索

知识检索是知识图谱非常成熟的应用。通过借助知识图谱理解用户的搜索语义，从而更深层次地理解用户的需求，大大提升了用户的使用体验，使用户能获得更精确、更智能的搜索结果。

;2.智能问答

智能问答通过借助知识图谱可以使计算机根据用户所提出的问题直接做出回答，这也是智能检索未来发展的趋势。知识图谱为智能问答提供了知识库，然后基于其强大的推理能力，为用户做出基于推理结果的回答。比如银行、电信在线客服，智能问答机器人等。